1.机器学习的生命周期
(1).业务理解:确定机器学习要解决的问题，以及确定机器学习项目是否成功的业务性能指标
(2).数据理解和数据准备：根据业务收集数据
(3).模型训练和评估
(4).模型部署
(5).模型监控:由于数据的变化，我们可能需要监视这些变换，根据情况调整
(6).业务指标跟踪
2.机器学习解决方案架构
(1).业务理解和机器学习转型
比如在就医的时候，需要咨询自己应该挂什么科室，这个过程就很费时间。再比如咨询法律问题，再政务的窗口引导等等，都是一种痛处，能不能使用机器学习的方法来解决呢？我觉得可以使用自然语言处理来解决这些东西。
(2).机器学习技术的识别和验证
确实业务能用什么技术实现
(3).系统的架构设计与实现
机器学习平台的技术架构设计为技术实现提供了理想的基础。
机器学习平台要有以下几个核心功能
(1).数据探索和实验：数据科学家可以使用机器学习平台进行数据探索，实验，模型构建，模型评估。总之就是提供了各种分析工具，以及管理工具。
(2).数据管理和大规模数据处理：对数据进行存储，访问，清洗和特征工程等等
(3).模型训练基础设施管理。机器学习需要的计算资源。存储，网络配置，还要相关机器学习库和框架。
(4).模型托管和服务：为机器学习模型的预测和批量处理提供技术能力
(5).模型管理：管理和跟踪经过训练的机器学习模型
(6).特征管理
